正则匹配（regular expression）
正则匹配是一个非常常用的字符搜索手段，在数据挖掘中起着非常重要的作用。这一节的内容大约了解即可，在今后的实践中再不断练习巩固。
在R当中，可以使用三种正则：
- 扩展正则
- 基本正则
- Perl风格正则
正则的使用主要涉汲以下7个函数：grep, grepl, sub, gsub, regexpr, gregrexpr, regexec。而象strsplit, apropos以及browseEnv都是基于这7个函数基础之上的。
那么，什么是正则呢？假设我们现在需要从一堆字符当中找到一个符合一定规则的字符串，比如说从一个表格中找到所有人的email地址，或者说找到一段文字中所有的URL地址，你会如何做呢？最好的办法就是使用正则了。通常一个email地址是这样的（最简单情形），username@domainname.com ，其中，username可能是任意字母，数字，以及下划线，点等组成，而domainname.com就是一个域名地址。它们之间以@相隔。在正则下是这样表示，^[A-Za-z0-9\\._%+-]+@[A-Za-z0-9\\.-]+\\.[A-Za-z]{2,4}$。
> pattern = "^[A-Za-z0-9\\._%+-]+@[A-Za-z0-9\\.-]+\\.[A-Za-z]{2,4}$"
> str <- c("abc", "someone@bioconductor.org", "efg", "anotherone@gmail.com", "thirdone@yahoo.cn")
> # grepl会返回一个逻辑值，l就代表logical, g就代表global
> grepl(pattern, str)
## [1] FALSE TRUE FALSE TRUE TRUE
> # grep会返回匹配的id
> grep(pattern, str)
## [1] 2 4 5
> # regexpr会返回一个数字，1表示匹配，-1表示不匹配，还会返回两个属性，匹配的长度以及是否使用useBytes。useBytes一般很少会使用到false，因为我们不处理宽字符。
> regexpr(pattern, str)
## [1] -1 1 -1 1 1
## attr(,"match.length")
## [1] -1 24 -1 20 17
## attr(,"useBytes")
## [1] TRUE
> # regexec会返回一个list，下面的内容是第一个匹配及其长度
> regexec("\\w+@\\w+\\.[a-zA-Z]{2,4}", "abc@bioconductor.org,efd@bioconductor.org")
## [[1]]
## [1] 1
## attr(,"match.length")
## [1] 20
> # gregexpr也会返回一个list，
> # 下面的内容是每一个匹配及其长度以及useBytes。g就代表global
> gregexpr("\\w+@\\w+\\.[a-zA-Z]{2,4}", "abc@bioconductor.org,efd@bioconductor.org")
## [[1]]
## [1] 1 22
## attr(,"match.length")
## [1] 20 20
## attr(,"useBytes")
## [1] TRUE
> # sub和gsub都用来做正则替换，其区别只在于g所代表的global。sub只替换遇到的第一个匹配，而gsub会替换所有的匹配。
> # 需要注意的是，这里的匹配都是对应的一个字符串而言的，如果是多个字符串，要区别为每一个来单独对待。
> sub("\\w+@\\w+\\.[a-zA-Z]{2,4}", "sub_function", "abc@bioconductor.org,efd@bioconductor.org")
## [1] "sub_function,efd@bioconductor.org"
> gsub("\\w+@\\w+\\.[a-zA-Z]{2,4}", "gsub_function", "abc@bioconductor.org,efd@bioconductor.org")
## [1] "gsub_function,gsub_function"
正则的使用已经看到了，但是让人看不明白就是字符. \ | ( ) [ { ^ $ * + – ? 这些符号都是什么意思呢？下面就来仔细讲讲perl中的正则符号。
. # 除了换行以外的任意字符
^ # 一行字符串的起始，它并不代表第一个字符，只代表这里开始新的一行字符串。
$ # 一行字符串的结束，它并不代表最后一个字符（因为换行符并不会被包含进匹配当中），只代表一行字符串到这里结束。
* # 零个或者多个之前的字符
+ # 一个或者多个之前的字符
? # 零个或者一个之前的字符
# 示例部分
t.e # t后面跟任意一个非换行字符然后跟字符e
# 它可以匹配 the
# tre
# tle
# 但是不匹配 te
# tale
^f # 一行字符以f起始
^ftp # 一行字符以ftp起始
e$ # 一行字符以e结尾
tle$ # 一行字符以tle结尾
und* # un跟着零个或者多个d字符
# 它会匹配 un
# und
# undd
# unddd (etc)
.* # 任意一个无换行的字符串，
# . 匹配任何一个非换行字符
# * 将匹配一个或者多个之前的字符.
^$ # 一个空行.
# 在正则中有方括号[]，代表可以匹配其中任何一个字符。而^在[]中就有了新的意义，代表“非”, -代表了“之间”
[qjk] # q，j，k中任意一个字符
[^qjk] # 非q，j，k的任意其它字符
[a-z] # a至z中任意一个小写字符
[^a-z] # 非任意一个a至z小写字符的其它字符（可以是大写字符）
[a-zA-Z] # 任意一个英文字母
[a-z]+ # 一个或者多个小写英文字母
# |代表或者 小括号(...)可以把或者的部分括起来。注意小括号可能还有别的用途，但是在R当中先不使用。
jelly|cream # jelly或者cream
(eg|le)gs # eggs或者legs
(da)+ # da或者dada或者dadada 或者更多个da的重复
# 大括号括住1至2个数字，代表重复次数。
* # 零个或者多个之前的字符
+ # 一个或者多个之前的字符
? # 零个或者一个之前的字符
{n} # n个之前的字符
{n,} # 大于等于n个之前的字符
{n,m} # n至m个之前的字符
# 下面的是一些字符被转义符\转义会赋以了一些新的（有可能是约定俗成的）意义
\n # 换行符
\t # tab
\w # 任意字母（包括下划线）或者数字
# 等同于[a-zA-Z0-9_]
\W # \w的反义.
# 等同于[^a-zA-Z0-9_]
\d # 任意一个数字，等同于[0-9]
\D # \d的反义，等同于[^0-9]
\s # 任意一个空格，比如,
# space, tab, newline, 等
\S # \s的反义，任意一个非空格
\b # 单词的边界, 不能使用在[]内
\B # \b的反义
# 很明显，对于保留字符$, |, [, ), \, / 等等都需要转义字符\来转义表示：
\| # 竖线
\[ # \[左方括号 \]右方括号
\) # \( 左小括号 \)右小括号
\* # 星号
\^ # 开号
\/ # 反斜杠
\\ # 斜杠
POSIX中定义的一些特殊意义的字符
[:alnum:] # [:alpha:]和[:digit:]的组合
[:alpha:] # [:lower:]和[:upper:]的组合
[:blank:] # 空格（space, tab），不包括换行符
[:cntrl:] # 控制符，在ASCII码中000~037或者177
[:digit:] # 任意数字：0-9
[:graph:] # [:alnum:]和[:punct:]的组合
[:lower:] # 当前字符集的小写字母
[:print:] # 可打印出来的字符，[:graph:]以及空格
[:punct:] # 标点符号，包括：^ ! " # $ % & ' ( ) * + - . / : ; < = > ? @ [ ] \ _ { } ` ~
[:space:] # 空格，包括tab, newline, vertical tab, form feed, carriage return, and space
[:upper:] # 当前字符集的大写字母
[:xdigit:] # 16进制数 0-9a-fA-F
锚点特殊字符
^ # 一行字符串的起始，它并不代表第一个字符，只代表这里开始新的一行字符串。 $ # 一行字符串的结束，它并不代表最后一个字符（因为换行符并不会被包含进匹配当中），只代表一行字符串到这里结束。 \< # 单词左边界 \> # 单词右边界
依据上面的介绍，网址的简单匹配可以写为：
pattern <- "^[A-Za-z0-9\\._%+-]+@[A-Za-z0-9\\.-]+\\.[A-Za-z]{2,4}$"
可以改写为
pattern <- "^[\\w\\._%+-]+@[\\w\\.-]+\\.[A-Za-z]{2,4}$"
或者
pattern <- "^[[:alnum:]\\._%+-]+@[[:alnum:]\\.-]+\\.[[:alpha:]]{2,4}$"
为什么转义字符()都要写两次呢？因为R本身也把\当成转义字符，所以在写pattern的时候，就需要使用\\来表示转义字符。还有一种办法就是设置fixed为TRUE。
那么参数中perl是什么意思呢？其实就是指是否使用PCRE的算法，我们来看实例：
> regexpr("foo|foobar", "myfoobar")
## [1] 3
## attr(,"match.length")
## [1] 6
## attr(,"useBytes")
## [1] TRUE
> regexpr("foo|foobar", "myfoobar", perl = TRUE)
## [1] 3
## attr(,"match.length")
## [1] 3
## attr(,"useBytes")
## [1] TRUE
